ارزیابی چالش‌های تغییر کاربری اراضی شهرستان شیراز بر روی روستاها با استفاده از الگوریتم Random Forest و SVM
الموضوعات :بابک اجتماعی 1 , قاسمعلی مقتدری 2
1 - استادیار گروه جغرافیا دانشگاه پیام نور واحداستان فارس
2 - رئیس دانشگاه پیام نور مرکز اوز
الکلمات المفتاحية: کاربری اراضی, تغییرات کاربری, مناطق روستایی, شهرستان شیراز ,
ملخص المقالة :
مقدمه: تغییر کاربری اراضی به‌عنوان یکی از مهم‌ترین و چالش‌برانگیزترین مسائل زیست‌محیطی و اجتماعی در دهه‌های اخیر شناخته شده است. شهرستان شیراز، با تاریخ و فرهنگی غنی، به دلیل گسترش شهرنشینی، توسعه زیرساخت‌ها و افزایش جمعیت، دچار تغییرات عمده‌ای در الگوی کاربری اراضی شده است. این تغییرات نه‌تنها بر محیط‌زیست تأثیر می‌گذارد؛ بلکه معیشت و زندگی روستاییان را نیز تحت‌تأثیر قرار می‌دهد
هدف: این تحقیق باهدف ارزیابی چالش‌های ناشی از تغییر کاربری اراضی شهرستان شیراز بر روستاهای این منطقه بین سال‌های 2015 تا 2023 است.
روش‌شناسی تحقیق: در این تحقیق از تصاویر ماهواره‌ای لندست 8 و مجموعه داده‌های مادیس استفاده شده و طبقه‌بندی کاربری اراضی با کمک الگوریتم‌های Random Forest و SVM انجام شده است. این روش‌ها به‌دلیل دقت بالا در تشخیص تغییرات و پوشش گسترده داده‌ها انتخاب شدند. در بخش پیش‌پردازش داده‌ها، روش‌هایی مانند تصحیح سطحی برای حذف تأثیرات جوی اعمال شده است. شاخص‌های مربوط به پوشش گیاهی نرمال شده و ساخته شده محاسبه شده تا دقت طبقه‌بندی افزایش یابد
قلمرو جغرافیایی پژوهش: قلمرو جغرافیایی این پژوهش، شهر شیراز میباشد.
یافتهها: یافتهها نشان می‌دهد که مناطق ساخته‌شده به‌طور قابل توجهی از 448 کیلومتر مربع در سال 2015 به 1358 کیلومتر مربع در سال 2023 افزایش یافته است. در مقابل، زمین‌های کشاورزی و منابع طبیعی کاهش یافته‌اند، به‌ویژه زمین‌های زراعی که از 466 کیلومتر مربع به 415 کیلومتر مربع کاهش یافته است. این تغییرات تهدیدی جدی برای معیشت روستاییان است و منجر به مهاجرت بیشتر به شهرها و تخریب منابع طبیعی شده است.
نتایج: نتایج نشان می‌دهد که گسترش بی‌رویه مناطق ساخته‌شده و کاهش زمین‌های کشاورزی و طبیعی، چالش‌های متعددی از جمله ناپایداری زیست‌محیطی، کاهش دسترسی به منابع آبی و از بین رفتن تنوع زیستی برای روستاهای منطقه ایجاد کرده است. با مقایسه دو نقشه از سال‌های 2015 و 2023، می‌توان دریافت که تغییرات سریع و چشمگیر در کاربری اراضی شهرستان شیراز رخ داده است. لذا، نیاز به سیاست‌گذاری‌های جامع برای توسعه پایدار و حفظ منابع طبیعی در مناطق روستایی ضروری است..
اصغری سراسکانرود، صیاد، محمدنژاد، وحید، امامی، هادی. (1398). بررسی تغییرات کاربری اراضی با استفاده از روش‌های پیکسل پایه و شی گرا و تحلیل اثرات تغییر کاربری‌ها بر فرسایش خاک (مطالعه موردی: شهرستان مراغه). پژوهشهای ژئومورفولوژی کمّی، 8(1), 160-178. https://ensani.ir/fa/article/409346
بابائی اقدم, عظیمی, نورالدین, & حسینی. (1390). مدل‌‌سازی الگوی کاربری اراضی شهری با استفاده از مدل CLUE-S (مطالعه موردی: مشکین شهر). مطالعات برنامه ریزی سکونتگاه های انسانی, 6(14), 1-18. https://sanad.iau.ir/fa/Article/1032519
خبرگذاری ایسنا(1402). https://www. sna.ir/news/1402032818181
خلجی، صبا. (1400). اثرات تغییر کاربری اراضی بر برنامه‌ریزی کاربری زمین. فصلنامه پژوهشهای فضا و مکان در شهر, 1400(19), 5-18. 20.1001.1.25386050.1400.1400.19.1.2 DOR:
سامی, کرباسی, پوران, کریمی سلطانی, & سنگین آبادی. (1401). ارزیابی و پیش بینی تغییرات فضایی و روند رشد شهری با استفاده ازسنجش از دور (مطالعه موردی: شهر قروه). مطالعات برنامه ریزی سکونتگاه های انسانی, 17(4), 1049-1061. dor: 20.1001.1.25385968.1401.17.4.12.8
سرور, کرباسی, پوران, & واعظی. (1402). ارزیابی رابطه بین برنامه ریزی کاربری زمین و شکل گیری جزایر حرارتی شهری (مطالعه موردی: شهر مشگین شهر). مطالعات برنامه ریزی سکونتگاه های انسانی, 18(3), 173-185. dor: 20.1001.1.25385968.1402.18.3.15.6
شوقی چهارده، مولائی هشجین، آمار. (1402). تبیین اثرات تغییرات کاربری اراضی روستایی در شهرستان آستانه‌اشرفیه. جغرافیای طبیعی، 16(62), 31-44.https://sanad.iau.ir/Journal/jopg/Article/982924
سیرت، محمدکریم، & گمرکی. (1403). بررسی تغییرات کاربری اراضی شهر هرات با استفاده از تصاویرماهواره‌ای بین سال‌های 2015 الی 2022. نشریه سنجش از دور و GIS ایران. doi:10.48308/gisj.2024.234087.1192
شکریان، فاطمه، سلیمانی، کریم. (1403). تغییرات کاربری اراضی مبتنی‌بر تصاویر ماهواره‌ای در جلگۀ هراز. نشریه سنجش از دور و GIS ایران, 16(1), 113-128 doi: 10.48308/gisj.2023.232979.1176
شمس, & کرمی نژاد. (1393). ارزیابی روند تغییرات کاربری اراضی در توسعه فضایی شهرکرمانشاه با استفاده GIS و RS (مطالعه موردی: محله جعفرآباد کرمانشاه). مطالعات برنامه ریزی سکونتگاه های انسانی, 9(28), 45-57. https://sanad.iau.ir/fa/Article/1032606
فاطمی، مهسا، کرمی، عزت اله، زمانی، غلامحسین. (1395). سیستم‌های عمده تغییر کاربری زمین در کشاورزی استان فارس. علوم ترویج و آموزش کشاورزی ایران, 12(2), 197-214. https://www.sid.ir/paper/109185/fa
یاسوری, م., ویسی, ر., سبب کار, م., & محمدی, م. (1394). بررسی نقش گسترش فیزیکی شهر رشت در ایجادتغییرات کاربری اراضی حاشیه شهر. مطالعات برنامه ریزی سکونتگاه های انسانی, 1(30), 99. https://sanad.iau.ir/fa/Article/1032709
Aldiansyah, S., & Saputra, R. A. (2023). Comparison of machine learning algorithms for land use and land cover analysis using Google Earth engine (Case study: Wanggu watershed). International Journal of Remote Sensing and Earth Sciences (IJReSES), 19(2), 197-210. DOI: http://dx.doi.org/10.30536/j.ijreses.2022.v19.a3803
Atef, I., Ahmed, W., & Abdel-Maguid, R. H. (2023). Modelling of land use land cover changes using machine learning and GIS techniques: a case study in El-Fayoum Governorate, Egypt. Environmental Monitoring and Assessment, 195(6), 637. https://doi.org/10.1007/s10661-023-11224-7
Avcı, C., Budak, M., Yağmur, N., & Balçık, F. (2023). Comparison between random forest and support vector machine algorithms for LULC classification. International Journal of Engineering and Geosciences, 8(1), 1-10. https://doi.org/10.26833/ijeg.987605
Chrastina, P., Hronček, P., Gregorová, B., & Žoncová, M. (2020). Land-use changes of historical rural landscape—Heritage, protection, and sustainable ecotourism: Case study of Slovak Exclave Čív (Piliscsév) in Komárom-Esztergom County (Hungary). Sustainability, 12(15), 6048. https://doi.org/10.3390/su12156048
Chowdhury, M. S. (2024). Comparison of accuracy and reliability of random forest, support vector machine, artificial neural network and maximum likelihood method in land use/cover classification of urban setting. Environmental Challenges, 14, 100800. https://doi.org/10.1016/j.envc.2023.100800
Foley, J. A., DeFries, R., Asner, G. P., Barford, C., Bonan, G., Carpenter, S. R.,... & Snyder, P. K. (2005). Global consequences of land use. science, 309(5734), 570-574. DOI: 10.1126/science.1111772
Jamali, A. A., Behnam, A., Almodaresi, S. A., He, S., & Jaafari, A. (2024). Exploring factors influencing urban sprawl and land-use changes analysis using systematic points and random forest classification. Environment, Development and Sustainability, 26(5), 13557-13576 https://doi.org/10.1007/s10668-023-03633-y
Lambin, E. F., Turner, B. L., Geist, H. J., Agbola, S. B., Angelsen, A., Bruce, J. W.,... & Xu, J. (2001). The causes of land-use and land-cover change: moving beyond the myths. Global environmental change, 11(4), 261-269. https://doi.org/10.1016/S0959-3780(01)00007-3
Lambin, E. F., & Meyfroidt, P. (2010). Land use transitions: Socio-ecological feedback versus socio-economic change. Land use policy, 27(2), 108-118. https://doi.org/10.1016/j.landusepol.2009.09.003
Liu, R., Xu, Y., Xue, C., Xia, Z., Li, G., Gou, X., & Luo, S. (2023). Simulation of early warning indicators of urban expansion derived from machine learning. Journal of Urban Planning and Development, 149(1), 04022058. https://doi.org/10.1061/JUPDDM.UPENG-412
Loukika, K. N., Keesara, V. R., & Sridhar, V. (2021). Analysis of land use and land cover using machine learning algorithms on google earth engine for Munneru River Basin, India. Sustainability, 13(24), 13758 https://doi.org/10.3390/su132413758
Mostafa, E., Li, X., Sadek, M., & Dossou, J. F. (2021). Monitoring and forecasting of urban expansion using machine learning-based techniques and remotely sensed data: A case study of gharbia governorate, Egypt. Remote Sensing, 13(22), 4498. https://doi.org/10.3390/rs13224498
Seto, K. C., Fragkias, M., Güneralp, B., & Reilly, M. K. (2011). A meta-analysis of global urban land expansion. PloS one, 6(8), e23777. https://doi.org/10.1371/journal.pone.0023777
Tariq, A., Jiango, Y., Li, Q., Gao, J., Lu, L., Soufan, W.,... & Habib-ur-Rahman, M. (2023). Modelling, mapping and monitoring of forest cover changes, using support vector machine, kernel logistic regression and naive bayes tree models with optical remote sensing data. Heliyon, 9(2). https://doi.org/10.1016/j.heliyon.2023.e13212
Verburg, P. H., Soepboer, W., Veldkamp, A., Limpiada, R., Espaldon, V., & Mastura, S. S. (2002). Modeling the spatial dynamics of regional land use: the CLUE-S model. Environmental management, 30, 391-405. https://doi.org/10.1007/s00267-002-2630-x
Xiong, H., Ma, C., Li, M., Tan, J., & Wang, Y. (2023). Landslide susceptibility prediction considering land use change and human activity: A case study under rapid urban expansion and afforestation in China. Science of the total environment, 866, 161430. https://doi.org/10.1016/j.scitotenv.2023.161430
Yang, W., Wan, X., Liu, M., Zheng, D., & Liu, H. (2023). A two-level random forest model for predicting the population distributions of urban functional zones: A case study in Changsha, China. Sustainable Cities and Society, 88, 104297. https://doi.org/10.1016/j.scs.2022.104297
Zhang, M., Kafy, A. A., Xiao, P., Han, S., Zou, S., Saha, M.,... & Tan, S. (2023). Impact of urban expansion on land surface temperature and carbon emissions using machine learning algorithms in Wuhan, China. Urban Climate, 47, 101347. https://doi.org/10.1016/j.uclim.2022.101347
Zhang, C., Liu, Y., & Tie, N. (2023). Forest Land Resource Information Acquisition with Sentinel-2 Image Utilizing Support Vector Machine, K-Nearest Neighbor, Random Forest, Decision Trees and Multi-Layer Perceptron. Forests, 14(2), 254. https://doi.org/10.3390/f14020254
